AI-modeller og plattformer

Supermicro leverer petaskala helflashservere med PCIe Gen 6

Theo Nash
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterSupermicros nye Petascale-server rommer så mye som 3,93 PB flash i et 2U-kabinett.
Vis mer
  • Supermicros nye Petascale-server rommer så mye som 3,93 PB flash i et 2U-kabinett.
  • PCIe Gen 6-tilkobling gir opptil 100 % mer sekvensiell lesebåndbredde enn PCIe Gen 5-systemer.
  • Validerte programvarepartnere avgjør hvordan den tette flash-kapasiteten organiseres for hvert trinn i AI-arbeidsbelastningen.

Supermicro kunngjorde 18. november 2026 at de første systemene i den nye helflashlagringsfamilien, basert på sjette generasjons AMD EPYC 9006-prosessorer, nå sendes ut. Først ut er en Petascale-server med PCIe Gen 6-tilkobling og opptil 3,93 PB flashlagring i et 2U-chassis.

Supermicro oppgir at de nye serverne gir opptil 100 % høyere sekvensiell lesebåndbredde enn PCIe Gen 5. Dette er selskapets første lagringsprodukter med PCIe Gen 6. Systemene er rettet mot høyytelsesdatabehandling, KI-trening og inferens. Den første Petascale-serveren bruker AMDs SP7-plattform, og flere lagringsprodukter er planlagt etter hvert som AMD introduserer SP8-prosessorversjoner.

Driftsdirektør Vik Malyala sa at systemene skal holde tritt med dagens CPU- og GPU-klynger, samtidig som arkitekturen Data Center Building Block Solutions gjør det mulig å tilpasse dem til slike arbeidsbelastninger og gir leverandører av programvaredefinert lagring tilgang til validerte systemer.

Petaskala kapasitetstetthet og nettverk

Chassiset har plass til opptil 32 E3.S NVMe-SSD-er og når maksimal kapasitet med 122 TB-disker. Nettverksløsningen kan bygges rundt opptil fire x16-kort med høy ytelse. Den balanserte I/O-utformingen skal gjøre det mulig for kundene å tilpasse systemet til ulike nettverksstrukturer og arbeidsbelastninger.

Maskinvaren skal levere den vedvarende båndbredden som trengs for KI-datasjøer, storskala-analyse og lagringsnettverk med høy gjennomstrømning. Dermed knyttes diskens tetthet til nettverksdelen av systemet: Kapasitet alene løser ikke spørsmålet om hvor raskt data kan flyttes mellom lagringen og resten av en KI-klynge.

Validert lagringsprogramvare

Valideringen omfatter Supermicros CloudDC-, GrandTwin- og Hyper-familier samt programvare fra Hammerspace, IBM, MinIO, Nutanix, Scality, VAST Data, VDURA og WEKA for KI-distribusjoner i stor skala. Partnernes uttalelser viser at maskinvaren posisjoneres for flere ulike lagringsarkitekturer, ikke som én fast løsning.

Vincent Hsu, IBM Fellow, visepresident og teknologidirektør for IBM Storage, sa at KI-inferens omfatter datainnhenting, lasting av modeller, gjenfinning og KV-hurtigbuffer, og at IBM Storage Scale på den nye Petascale-serveren er utviklet for å støtte hele arbeidsflyten og samtidig maksimere effektiviteten i GPU-utnyttelsen, med rom for økt ytelse og kapasitet.

Andre partnere beskrev ulike tilnærminger til datahåndtering. Hammerspaces Data Platform kan samle Petascale-flashlagringen i ett globalt navnerom, som også omfatter kundens eksisterende kapasitetssystemer med lavere kostnader. WEKAs distribuerte NeuralMesh-programvare kjører på tvers av den nye serveren uten nivådeling av maskinvaren, mens VDURAs plattform kan samle Supermicros helflash- og HDD-systemer i ett navnerom.

Maskinvaren gir tettere flashlagring og I/O med høyere båndbredde, mens det validerte programvarelaget avgjør hvordan kapasiteten organiseres og leveres til hvert trinn i en KI-arbeidsbelastning.

Theo Nash er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-infrastruktur, beregning og maskinvaresystemene som driver moderne kunstig intelligens. Arbeidet hans fokuserer på de tekniske grunnlagene bak AI-arbeidsbelastninger i stor skala, inkludert datasentre, akseleratorer, nettverk og programvarestablene som binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøker Theo hvordan fremskritt innen GPU-er, tilpasset silisium, minnearkitekturer og distribuerte systemer muliggjør nye generasjoner av AI-modeller. Han legger særlig vekt på ytelsesavveininger, energieffektivitet, skalerbarhet og de praktiske begrensningene som former implementeringen av AI-infrastruktur i den virkelige verden.

Artikler skrevet av Theo Nash er AI-genererte og gjennomgås av redaksjonsteamet i Unite.AI for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av det raskt utviklende AI-beregningslandskapet.